赛题背景：

      近年来，智能驾驶技术在传感器技术、视觉识别、决策制定、以及路径规划等关键领域已取得显著成就，这些进步不仅推动了技术的商业化应用，也极大地增强了其实际应用价值。尽管如此，对于智能驾驶系统中的边缘场景（Corner Cases）的识别和处理，目前仍缺乏全面和系统性的探讨。这些边缘场景通常是在感知过程中易被忽视或难以预测的特殊或极端情况，它们在智能驾驶系统的开发和测试阶段扮演着至关重要的角色。这些情况不仅考验系统的稳定性和鲁棒性，也是评估系统在真实世界中适应能力的关键指标。精确识别并有效处理这些边缘场景，不仅能显著提升系统的整体性能，还能增强公众对智能驾驶安全性和可靠性的信任。因此，深入研究和识别这些边缘场景是推动技术创新的关键，也是智能汽车和智能驾驶技术发展的必经之路。

比赛任务：

      本赛题旨在深入探索智能驾驶视频中边缘场景的识别技术。参赛者需利用合适的计算机视觉人工智能算法，在赛题方提供的测试数据集上进行模型测试。挑战的核心是要求参赛者能够有效地从赛题方提供的测试数据集中识别出特定的边缘场景的分类。这些案例存在于各种复杂的驾驶视频场景中，挑战参赛者的模型在实际应用中的适应性和准确性。

      赛题方鼓励参赛者使用多模态大模型、视频问答大模型、视频分类模型、基于感知任务的后处理分类等方法。在初赛阶段，参赛选手仅提交对应视频的分类结果即可；在复赛阶段，参赛选手不仅需要提交对应视频的分类结果，也要提交对应事件发生的时间段。

初赛阶段的主要目标是识别视频中可能出现的各种边缘场景类型。

      进入复赛的队伍将在包含边缘场景发生时间的更加详细的测试数据集上进行测试。在智能驾驶系统中，仅识别出边缘场景的类型往往不足以提供最优的响应策略，理解何时这些事件发生则对于系统的预警和决策反应至关重要。因此，在复赛中，我们将重点评估参赛模型在预测边缘场景确切发生时间上的表现。这一阶段的数据集组织格式与初赛相同，但增加了边缘场景发生的具体时间点，要求参赛者在保持之前模型类型识别能力的同时，进一步精细化模型以预测边缘场景的精确发生时刻。